医学图像处理分析的发展特点研究

郭鑫萌

摘要：综述了医学图像分析的当前主要进展， 包括感兴趣区分割、图像配准与融合、时序图像的功能分析、图像可视化等传统研究。最后总结了医学图像分析领域面临的主要挑战和未来发展方向。

关键词：医学图像 图像配准 时序图像的功能分析

一、医学图像分析简介

20世纪70年代，X线图像在临床广泛应用，医生借助学习得到的知识和实践积累的经验，解读病人的X线照片所反映的解剖结构和病生理信息。但是，这种人工解读方式，往往依赖于医生个人的经验、知识，且效率较低。随着计算机的发展和数字化仪器的出现，工程师开展了计算机辅助诊断的研究，试图在一定程度上辅助医生判读医学图像，排除人为主观因素，提高诊断准确性和效率。

医学临床需求也推动着医学图像分析的发展，例如：MR心脏图像是时间加三维的四维数据，一次完整的心脏检查结果包括在心动周期上、各个时刻、多个层面上的数百张二维图像。多数据导致依靠传统的二维表达已经很难理解如此海量的信息，更谈不上有效率地判读和分析。研究者试图利用自动精确定量的计算机辅助图像分析，帮助临床医生和研究者高效准确地处理海量图像信息。在成像硬件的推动下，从20世纪90年代中期到现在，医学图像分析在理论方法和应用上都取得了长足的进步。

二、医学图像分析的特点

医学图像分析已广泛应用于良恶性肿瘤、脑功能与精神障碍、心脑血管疾病等重大疾病的临床辅助筛查、诊断、分级、治疗决策与引导、疗效评估等方面。医学图像分类与识别、定位与检测、组织器官与病灶分割是当前医学图像分析研究主要应用领域。不同成像原理的医学图像分析和计算机视觉领域中的自然图像分析存在较大的差别。

三、医学图像分析的主要进展

（一）感兴趣区分割和分析

医学图像的感兴趣区分割研究是医学图像分析中最重要的基础、研究最广泛和深入的领域 [ 1] 。准确、鲁棒和快速的图像分割是定量分析、三维可视化等后续环节之前的最重要步骤， 也为图像引导手术、放疗计划和治疗评估等重要临床应用奠定了最根本的基础。早期医学图像分割研究主要是直接应用图像处理的经典方法， 如边界提取和基于灰度的区域增长算法等。后来开始针对不同的解剖位置和成像模态，设计基于成像设备、成像参数和解剖结构等知识的专用图像分析算法，如利用多参数的MR图像、决策树和统计聚类技术来分割脑组织的白质和灰质。随着图像分析和计算机视觉理论方法的不断丰富， 医学图像感兴趣区分割也出现了很多新突破。

（二）图像配准和信息融合

早期医学图像的配准目的，是为了把显示人体不同信息的医学图像放到统一坐标系中显示。随着脑部结构形态学分析研究的进步，出现了同病人不同时期及同种疾病的病人群体图像数据配准，以及标准图谱到特定图像数据配准研究。通过寻找适当的空间变换，使图像数据达到空间位置上的定位和配准，进而进行图像融合。图像配准方法可以分为基于外部特征和基于内部特征两类。使用外部特征的通过人工设置的标记点实现配准，如立体框架定位、皮肤标记法等;而使用内部特征的通过寻找图像内部解剖结构上的特征点或外部轮廓和表面的对应关系实现配准。目前，医学图像配准技术和分割技术一样，是医学图像分析中的基本技术之一。

（三）可视化

可视化在医学图像分析中扮演重要角色。医学图像可视化技术是指利用从实验中获得的、扫描器测得的、计算模型合成的医学图像数据重建成三维图像模型，并进行定性定量分析，为用户提供具有真实感的三维医学图像，使人们更清楚地认识在体数据中的复杂结构，便于医生多角度多层次地观察和分析。医学图像可视化技术，按照绘制过程中数据描述方法的不同，通常分成两大类一面绘制和体绘制。面绘制技术指从切片数据提供的三维数据场中抽取等值面，然后用传统图形学技术实现表面绘制。面绘制可以有效地绘制出物体表面，但缺乏对物体内部信息的表达。体绘制则是以体素作为基本单元，直接由切片数据生成三维物体图像，表示物体内部信息，但是计算量很大。此外，将那些融合了这两种技术特点的重建算法归纳为第3大类——混合绘制技术。

（四）时序图像的功能分析

医学图像分析的目的是得到生理过程的定量信息，为临床诊疗提供更充分的依据。过去的医学成像主要集中在解剖结构成像和形态分析上。近年来，医学设备成像速度的飞跃使对生理过程的动态观察成为可能。例如：在脑功能成像领域，Functional MRI开始广泛应用;核医学PET和SPECT，在脑功能和心功能动态成像方面也得到广泛的应用;另外，三维超声的出现，提供了实时观察心室和瓣膜运动的手段。以上设备都能生成产生时序的二维或三维医学图像，反映了生理过程的动态功能信息。

四、关键挑战与未来趋势

医学图像分析必须和临床科研和实践紧密结合，也要和影像设备的成像物理过程相结合。目前，医学成像设备硬件发展迅速，新的成像方法层出不穷，基于医学图像开展的研究和临床实践也不断增多。许多研究者在开发医学图像分析算法时，对临床实际应用不关注，许多不仅需要分析正常结构与功能，还要分析不同的非正常的病理或病态的结构与功能。现在所有通常的图像分析算法发展忽视了后者，导致研究成果得不到临床医生的认可， 不能帮助改善医生的诊疗效率。研究者需要熟悉特定研究领域的專业知识，用来作为帮助医学图像分析算法的设计。另外，如果不了解设备的成像过程，而只从图像内容出发也会忽略很多重要的信息。例如，MR对不同组织结构有不同成像参数，不同参数下同种组织有不同的灰度表现，这些都是医学图像分析重要的先验知识。

参考文献

[1] 林瑶，田捷.医学图像分割方法综述[J].模式识别与人工智能，2002，15（2）：192-204.

[2] 陈武凡，秦安，江少峰，冯前进，郝立巍.医学图像分析的现状与展望，《中国生物医学工程学报》，2008，27（2）;175-181.

[3] 汤敏，陈峰，陶玲.医学图像可视化及加速技术的研究进展和趋势，《中国组织工程研究与临床康复》，2011，15（4）：741-744.

[4]罗永刚.医学图像分析的未来趋势，《山东科学》，2005，18.

通讯作者：曲媛媛，女，汉族，山东威海，1985年1月，硕士研究生，副教授，研究方向基础医学。